9张图揭秘:优秀的数据分析项目,这样做!

数据D江湖

共 3776字,需浏览 8分钟

 ·

2021-04-03 20:25


问题场景:某互联网大厂TOB业务线,可以向平台商家提供SaaS/Paas类服务,但苦于销售水平不高,沟通话术质量不佳,转化率不足。现计划做话术培训,提升客户转化率。


  1   

原始模型


最简单的做法,定义话术A,话术B,俩版本。直接看转化率,哪个高了用哪个就好了!(如下图)


                            

那么,这么做有啥问题不?


  2   

高级建筑


最简单的做法,可能有几层问题:

 

 问题1:未考虑销售本身的影响。有可能销售本身能力强,所以才卖得好。因此,需要针对不同层级的销售,比如S级、A级、B级、C级,单独分析话术效果。

 

 问题2:未考虑客户的影响。有可能特定客户就是容易成交,因此需要区分客户等级,比如VIP1,VIP2,VIP3,分别看效果。

 

 问题3:未考虑话术实际影响大小。有可能有的客户就是说啥都行,有的客户不管说啥都没用,只看价格。因此要做交叉测试,找到能受话术影响的客群(如下图)。


  

最后,得到的结果可能如下图,为每一类销售,每一种客户配置合理的话术,最大化产出。

 


  3   

第一层地基


问个简单的问题:销售的S\A\B\C级别是咋来的?

既然有分级,那么得有判定标准。

而构建判断标准本身,就是一个大工程


比如:

1、是否业绩表现好的,就是好销售?

2、意向、签约、回款、复购,哪个方面能证明他是好销售?

3、以上四个方面,每个都至少有数量和金额两个指标……

4、如果选签约和回款,两个指标交叉就是一个矩阵,怎么定义好?(如下图)

5、如果是三个指标呢?如果是四个指标呢?

 

  
以上所有问题,都有的一番纠结,才有产出。
 
现在简化问题,假设就考察签约金额。签约金额高的就是好销售,那么问题又来了:考察多长时间内的表现?一加入时间维度,新的纠结又开始了:

比如:

考察1个月算不算数?3个月?半年?
考察1个月,这个月好,下个月不好,到底算不算好?
考察3个月,是考察总量,平均值,还是单月达标次数?
考察6个月,稳定性好,越来越好,先好后差的,要不要作区分?(如下图)

 

 
以上所有问题的处理,都是为了得出一个简单的业务员分级标签。
 同样的问题,在客户那里也存在,一模一样的纠结。

比如评定客户等级:

1、考察哪些指标?
2、考察多长时间?
3、指标到什么水平算好?
4、考察期波动怎么处理?
5、在未签约前要不要做预测?咋预?
6、要不要在签约进度中修正预测?咋修正?
 
都分析清楚了,才能有准确的客户评级,特别是售前评级。
 
正是因为以上工作太过纠结。所以衍生出3种常见的处理办法:
1、从简单到复杂:先做单指标分类,再慢慢加,迭代几次。
2、先抓典型再总结:比如先让业务方标注几个正样本,然后研究他们的特点。
3、从结果倒推:比如业务方KPI是签约额,那为了达成这个目标,得做到多少。
 
每一种方法都有各自的工作办法,这里先不一一展开。只是为了让大家感受到:为了获取一个准确的分类,需要劳民伤财的大量工作,不然你就只能做最简单的,充满bug的模型
 
然而,就算这样,问题解决了吗?

  4   

第二层地基


问:话术A 这个分类又是怎么来的?
实际上销售卖东西很少只说一句话。特别是toB类销售,前前后后得说很多东西。

这里至少有四个部分:

1、开场问候:开场寒暄,引入话题
2、产品介绍:主动介绍产品特点,优势,对客户的好处
3、问题答疑:针对客户的问题,解答客户疑惑
4、促单话术:催着客户赶紧下单
 
这里又衍生出来两个问题:
第一,  这四个部分的话术如何分类,上标签,加入到分析之中。
第二,  如何知道销售说了什么。

针对问题一,话术本身如何打标签,如何分类。可以做以下动作:

1、产品介绍的版本
2、客户问题点:功能、价格、体验、案例、系统接口
3、促单的话术分类:按项目进度、按优惠、按资源控制

 
总之,有了这些扎实的基础工作,才能有最初的话术A这一个分类标签。这是比较好处理的。问题二,更纠结。

  5   

第三层地基


针对问题二,核心在于:数据怎么采集。
1、如果有SCRM系统,那么交易流程可以系统化实现,可以一定程度补足数据,比如展示了哪些案例(产品介绍环节)调用了哪些资料(问答环节)查询了哪些优惠(促单环节)
2、如果没有系统支持,那就只能从其他行为反推,比如销售培训,比如销售策略,比如申请体验demo类型、数量,比如申请的优惠。

那么,又衍生出:

1、销售培训记录,培训类型标签库
2、销售策略记录,策略分类标签库
3、申请demo记录,申请类型标签库
4、价格申请记录,产品价格折扣标签库
 
没有这些记录和标签,整个销售过程处于失控状态,一不知道干了什么,二关联不到工作结果。根本无法深入分析。总之,一有记录,二有标签,这样分析起来才得心应手。

  6   

经验小结


如果孤立地看怎么找一个好的话术,似乎在地表建筑阶段,就已经做得很完美了。可实际上,如果脱离了下层大量的地基建设。再华丽的地表建筑也盖不起来。整个流程串起来,就是用一个庞大的体系,解决了一点点业务上问题。虽然工作量大,但是它真的有效(如下图)
 

注意:这套体系搭建完了,可以起个很好听的名字,比如CST模型(Customer Success Test),配合架构图听起来也是很唬人的。

  7   

常见问题


为啥实际工作中很难做出有用的分析?本质在于:缺少基建,脱离业务。

做数据的同学,过于指望统计学、算法本身,缺少基础业务标签建设,缺少受业务认可的标准结果,不会推动业务去改善流程,多收集数据。

做业务的同学,忽视流程对数据的影响,不重视流程规范与数据采集。以为数据是天上掉下来的,对数据建设漫不经心,却指望一个“来着头腾阿公司的大神”一炮搞掂。

两者一结合,就是盲人骑瞎马。实际情况是:

●  基础数据没有
●  业务标签没有
●  过程数据没有
●  预测推断没有
 
 
就只会拿着交易结果做交叉,然后无脑输出:
●  甲行业话术A转化率高14个点
●  乙行业话术B转化率高5个点
●  ……
 
当销售部门来质疑“到底是销售本身不行、还是话术不行、还是产品不行、还是促销力度不够、还是外界因素?”的时候,一个问题都答不上来。最后只会颤颤巍巍地:“我们找几个销售调研下???”

  8   

场景扩展


有同学可能会说:销售过程本身数字化难度大,如果是线上交易就容易了,每一步都有数据记录呀。是滴,线上交易是有数据记录,是能画出转化漏斗,可真遇到最后转化率不高,咋分析?

●  要不要对推广渠道评级?

●  要不要预估各渠道响应率?
●  要不要对推广内容打标签?
●  要不要对CTA动作打标签?
●  要不要对转化产品打标签?
●  要不要对推送客群打标签?
 
这些都是同样的基础建设。这些东西不做,遇到最终转化率低,运营来质疑:到底是渠道本身不行、还是文案不行、还是产品不行、还是促销力度不够、还是外界因素?
 

●  又是只会拿着渠道类型,客户类型和转化流程拉交叉表
●  又是只会叨叨:“因为第三步转化率低了”。
●  又是颤颤巍巍的:“我们找个用户调研下?”
 
所以呀,漏斗图和漏斗分析是两码事。做漏斗图容易,做漏斗分析,就得认认真真设计思路,做好基础,排除杂糅因素。

--------   往 期 推 荐  ----------

浏览 16
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报